他のHTMLページから抽出されたDIVからHTMLページを構築するスクリプト
-
06-07-2019 - |
質問
HTMLレポートのセットがあり、各レポートには特定のIDを持つ2つのDIV要素が含まれており、全体の要約レポート(ここでもHTMLファイル)にまとめる必要があります。
私の最初の考えは、これはPerlスクリプトの理想的な仕事であるということですが、最新の社内Perlスキルはありません(.NET C#ショップです)。
推奨されるアプローチに関する考えや提案を歓迎します...
解決
適切なHTMLパーサーを使用します。 Perlには HTML :: Parser があり、C#には次のものがいくつかあると確信しています。まあ。
他のヒント
Perlを使用して、 HTML :: TokeParser および HTML :: Template が役立ちます。以下に簡単な例を示します。
#!/usr/bin/perl
use strict;
use warnings;
use HTML::TokeParser;
use HTML::Template;
use Data::Dumper;
my ($html_file) = @ARGV;
open my $html_handle, '<:utf8', $html_file
or die "Cannot open '$html_file': $!";
my $parser = HTML::TokeParser->new( $html_handle );
my @divs;
while ( my $tag = $parser->get_tag('div') ) {
my $attr = $tag->[1];
next unless ref $attr eq 'HASH';
next unless defined( my $id = $attr->{id} );
next unless $id eq 'div1' or $id eq 'div2';
my $div = $tag->[-1];
my $in_wanted = 1;
while ( $in_wanted ) {
my $token = $parser->get_token;
if ( $token->[0] eq 'T' ) {
$div .= $token->[1];
}
else {
$div .= $token->[-1];
}
my ($type, $name) = @$token[0, 1];
if ( $name eq 'div' ) {
$in_wanted += $type eq 'S' ? 1
: $type eq 'E' ? -1
: 0;
next;
}
if ( $type eq 'E' and $name eq 'html' ) {
warn "Warning: Reached the end of '$html_file'\n";
last;
}
}
push @divs, {DIV => $div};
}
print output( @divs );
sub output {
my $tmpl_html = <<EO_TMPL;
<html>
<body>
<TMPL_LOOP DIVS>
<TMPL_VAR DIV>
</TMPL_LOOP>
</body>
</html>
EO_TMPL
my $tmpl = HTML::Template->new(
scalarref => \$tmpl_html,
);
$tmpl->param( DIVS => \@_ );
return $tmpl->output;
}
divにネストされたdivが含まれる場合、直接的な正規表現十分ではない可能性があります。これは、終了div要素にIDが含まれていないため、正規表現が終了タグと一致するのが難しいためです。
divが次の場合:
<div id="findme">
<!-- No other divs here! -->
</div>
その後、正規表現を使用することができます(欲張りに注意してください)、これのよりエレガントなバージョン:
<div id="findme">(.*?)</div>
注:正規表現が実行されないことはかなり確かです。しばらく前です!
HTMLパーサーライブラリを使用して構造を解析し、divの内部の文字オフセットを取得してから、その範囲をバッファーから取得します。 HTMLライブラリを使用すると、解析して目的のdivが終了する場所を見つけることができます。
このチュートリアル役に立つかもしれません。これらのパーサーを使用すると、おそらくdivなどのタグで囲まれたデータを正確に抽出できます。
C#HTMLパーサーを使用することもできます、それらはすべて同様の仕事をします。ドキュメントを見て、ツリーを構築しないことを確認し、囲まれたdivデータの文字オフセットを取得できるようにします(抽出できるようにする)。そのデータ。